近些年来,基于深度学习的神经网络模型在视觉、文本与音频等多个领域展示出了非常卓越的算法性能。然而,在数据不充足的情况下设计机器学习算法,仍然是计算机视觉中的一大难点。为了解决这一问题,小样本学习的研究课题被提出,并逐渐成为机器学习中受研究者关注的热点。医学图像的难以收集,其往往是由于数据对象为某种突发疾病或不经常出现的特殊症状、数据标签需要医学专家诊断等多个原因导致的。为此,本文以医学图像分类问题为研究目的、以复杂目标的小样本学习和元学习为主要研究内容,设计针对不充足医学数据上的实用分类算法。本文首先对数据不充足的机器学习进行了问题定义,解释了深度模型在此条件下难以进行泛化的根本原因。通过分析目前主流方法设计中存在的缺陷,本文提出主流方法在自然图像上分类效果欠佳由模型特征描述能力不足导致。本文通过设计医学数据上的自监督的表征学习算法,并以上述的表征编码强化小样本模型,以实现更高的医学图像分类性能。具体内容如下:（1）本文通过分析对比预测编码技术和通用的视觉表征编码算法SimCLR,研究了二者的对比学习原理和借口任务,并通过改进自监督训练模式提出了多步对比预测模型与全局对照的视觉表征算法。应用当下流行的半监督验证协议,本文构建了上述表征编码模块的验证实验。在医学图像数据上,本文提出的表征编码模块为下游有监督训练的ResNet带来了10%的分类准确率提升,证明了本文表征编码模块的可用性。（2）通过表征编码的形式强化下游的小样本学习任务,本文分别针对表征小样本学习算法和元学习算法进行讨论。经过表征模型的迁移以及模型定制,本文提出了基于多步对比预测增强的小样本学习算法与基于全局对照增强的元学习算法。在皮肤镜图像数据集ISIC2018、以及医学数据库MedMNIST中较难分类的OCTMNIST、TissueMNIST上,本文提出的算法相较原生算法有超过15%的分类准确率提升。在模型收敛过程中,本文提出的算法相较于原生小样本学习算法能够更快的收敛,并表现出更稳定的训练轨迹。这意味着表征编码能够将输入划分到一个浅层学习有效的特征区间内,使下游的小样本学习算法得以在表征编码的强化下实现更好的分类性能。